近年来,语义分割在多个领域得到了广泛的应用。随着深度学习的快速发展,基于深度神经网络的语义分割在分割精度上不断提高,但巨大的参数量和计算量限制了网络在硬件上的部署,因而设计轻量级网络成为目前语义分割领域的研究热点。然而,传统的人工设计方法耗时耗力,因此研究者们希望将网络的设计过程自动化。于是,一些基于神经网络架构搜索的语义分割方法被陆续提出,并利用知识蒸馏技术,使用性能较高的大网络指导轻量级网络的训练,提高轻量级网络的分割精度。一些工作更是进一步地将知识蒸馏和神经网络架构搜索整合在一起,利用知识蒸馏提供的知识指导搜索算法寻找性能更优异的网络。然而,这些方法仅考虑大网络的输出分布,忽略了网络结构对知识蒸馏的影响,导致搜索算法往往收敛到次优解。针对以上问题,本文提出了一种新颖的结构化知识蒸馏算法,同时考虑教师网络与学生网络的输出分布和结构知识,并利用基于梯度的搜索算法寻找最优网络。为此,本文不仅第一次将结构知识建模为两个网络的结构相似度,还提出了一种新型的局部全连接的链式搜索空间。本文为搜索算法设计了一个多目标的优化函数:第一,利用传统的知识蒸馏方法来约束教师网络和学生网络输出分布之间的KL散度;第二,本文提出使用图转换模块将网络转换为图结构,并利用两个图之间的图编辑距离设计结构相似度损失;第三,本文利用网络时延损失,使搜索算法在三种硬件设备上得到应用。实验证明,本文提出的方法不仅优于传统人工设计的语义分割方法,而且优于基于传统的知识蒸馏语义分割网络搜索算法,说明本文方法搜索的网络不仅具有更多的优良特性、更适用于知识蒸馏,而且还可以满足定制化和不同硬件的部署需求。